تحلیل عملکرد ماهواره‌های لندست-8، سنتینل-2 و تلفیق تصاویر آنها برای تشخیص و ارزیابی زنگ زرد گندم

ارزیابی بیماری زنگ زرد گندم در بخشی از استان خوزستان در دو مرحله شروع و اوج بیماری با روش‌های مبتنی بر ndvi، gndvi و msi، مبتنی بر طبقه‌بندی با تصاویر سنتینل-2 و لندست-8، و مبتنی بر تلفیق تصاویر انجام شد. با استفاده از باندهای مرئی و مادون‌قرمز بیماری شناسایی شد. سپس تصاویر سنتینل-2 و لندست-8 طبقه‌بندی شدند و در آنها زنگ زرد شناسایی شد، و نهایتا با تلفیق تصاویر این دو ماهواره نیز بیماری شناسایی شد. همچنین میزان دقت هر کدام از روش‌های ذکر شده، برای ارائه بهترین تکنیک شناسایی زنگ زرد در مناطق مشابه محاسبه و مقایسه گردید. دو سناریوی اول نشان دادند که طبقه‌بندی تصویر لندست-8 در شروع بیماری با rmse برابر با 0.845 و طبقه‌بندی تصویر سنتینل-2 در اوج بیماری با rmse برابر با 0.845 بهترین نتایج را داشته‌اند. مقایسه شاخص‌های گیاهی نشان داد که ndvi در شروع بیماری (تصویر سنتینل-2 با rmse برابر با 0.959) و اوج بیماری (تصویر لندست-8 با rmse برابر با 0.959) بهترین نتیجه را داشته‌اند. مقایسه سناریوهای اجراشده نشان داد که تلفیق تصاویر لندست-8 و سنتینل-2 برای طبقه‌بندی در دو مرحله شروع و اوج بیماری بهترین نتایج را داشته است. روش تلفیق ihs بهترین نتیجه طبقه‌بندی بیماری را در مرحله شروع با rmse برابر با 0.809 داشته است، درحالی‌که روش تلفیق gst بهترین نتیجه را در مرحله اوج بیماری با rmse برابر با 0.793 ارائه داد. نتایج این پژوهش موید قابلیت بالای تلفیق تصاویر ماهواره‌ای در بهبود نتایج طبقه‌بندی زنگ زرد می‌باشند.

analyzing the performance of landsat-8, sentinel-2 satellite and fusion of their images for detection and evaluation of wheat yellow rust (case study - south-west of khuzestan)

evaluation of wheat yellow rust was done in a part of khuzestan for two beginning and peak stages of disease, using the methods based on ndvi, gndvi and msi, based on classification using images of sentinel-2 and landsat-8, and based on images fusion. disease was detected using visible and infrared bands. then sentinel-2 and landsat-8 images were classified and disease was detected in them, finally, disease was detected by fusion of the images of two satellites. also, accuracy of each of the mentioned methods was calculated and compared to provide the best technique for detecting disease in similar areas. two first scenarios shows that landsat-8 image classification for disease beginning stage with rmse equal to 0.845 and sentinel-2 image classification for disease peak stage with rmse equal to 0.845, have had the best results. comparison of vegetation indexes showed that ndvi in disease beginning (sentinel-2 image with rmse equal to 0.959) and disease peak (landsat-8 image with rmse equal to 0.959) had the best result. comparison of all the implemented scenarios in this research shows that classification based on fusion of landsat-8 and sentinel-2 images was the best for classification in both beginning and peak stages of disease. ihs fusion method had the best results for disease classification in beginning stage with rmse equal to 0.809, while gst fusion was the best in peak stage with rmse equal to 0.793. present research results confirm a high capability of satellite images fusion for improving classification results of wheat yellow rust disease.